随着物联网、人工智能等技术的蓬勃发展,智慧城市凭借着这些技术正快速的向前推进。而智慧交通作为其重要的组成部分,借助着信息技术的飞速发展,实现了交通信息的全方位共享和道路交通运行情况的监控和管理。其中,车牌识别在交通安全管理和城市服务系统等方面充当着重要角色。本文结合深度学习技术,以车牌为研究对象,重点研究车牌检测和车牌字符识别方法。文中对各个常见的算法进行了总结,并基于相应算法进行了改进以提高车牌检测和车牌字符识别的准确率。其主要工作如下:为了解决因外界复杂环境如光照、天气、拍摄角度而影响的车牌图像经车牌检测后存在精度不高的问题,研究了一种基于回归目标检测算法的车牌检测改进方法。该方法选择深度残差网络作为前置网络,增加多尺度融合特征层,将车牌数据集输入到网络中训练,运用训练好的模型进行车牌区域检测。在获得车牌区域后,为进一步提高车牌检测准确度,增加车牌精定位方法,该方法先扩展车牌区域并对该区域进行自适应二值化操作,然后对二值化后的图像进行连通区域分析寻找到字符边框,采用随机抽样一致算法和Sobel算子分别判断车牌的上下左右边界。在传统的车牌识别算法中会存在对于外形结构复杂的汉字识别率不高以及车牌字符难分割的问题,针对该问题本文研究了一种多个卷积层连续卷积和多标签分类的卷积神经网络结构,该结构可以提取更多的图片特征并达到端到端的字符识别效果。通过自动生成大量的车牌图像,并对该图像进行添加噪声、仿射置换等图像处理操作以模拟复杂场景下获取的车牌图像,在此数据集上进行网络模型的训练。为进一步提高车牌识别准确率,采用基于方向场的倾斜校正算法预处理待识别的车牌图像,随后再运用网络模型进行车牌字符识别操作。将研究的车牌检测网络和车牌字符识别网络模型运用在实际应用程序中,设计并实现了基于深度学习的车牌识别系统。该系统通过加载训练好的模型,实现车牌检测和字符识别等功能,并在数据集中进行实验,验证该系统在检测和字符识别方面的良好性能。